基于分布轮廓映射的联邦学习：应对分布迁移与漂移

联邦学习（Federated Learning, FL）通过在客户端进行去中心化模型训练，实现无需共享原始数据的目标，但在现实数据异构性情况下性能会下降。现有方法往往未能解决客户端间的分布迁移以及随时间的分布漂移问题，或依赖不切实际的假设，如已知客户簇数量和数据异构性类型，从而限制了其通用性。我们引入 Feroma，这是一个新型 FL 框架，能够在不依赖客户端或簇身份的情况下显式处理分布迁移与漂移。Feroma 基于客户端分布轮廓——紧凑、隐私保护的本地数据表示——通过自适应基于相似度的加权方式指导模型聚合与测试时模型分配。这一设计允许 Feroma 在训练期间动态选择聚合策略，从 clustered 到 personalized 都可，同时将合适的模型部署到未知、无标签的测试客户端，无需重新训练、在线适应或对客户端数据进行先验知识。大量实验表明，与 10 种最新方法相比，Feroma 在动态数据异构性条件下实现了性能和稳定性的提升，在 6 个基准测试中平均准确率提升最高可达 12 个百分点，同时保持计算和通信开销与 FedAvg 相当。这些结果表明，基于分布轮廓的聚合方法为面向分布迁移与漂移的稳健 FL 提供了一条实用路径。